مقایسه تطبیقی مدل شبکه عصبی مصنوعی (ANN) ومدل SARMA در پیش بینی خشکسالی اقلیمی با رویکرد توسعه پایدار منابع آب
- سال انتشار: 1391
- محل انتشار: اولین همایش ملی توسعه پایدار در مناطق خشک و نیمه خشک
- کد COI اختصاصی: SDARIDR01_008
- زبان مقاله: فارسی
- تعداد مشاهده: 1121
نویسندگان
دانشجوی کارشناسی ارشد اقتصاد کشاورزی دانشگاه زابل
دانشیار گروه اقتصاد کشاورزی دانشگاه زابل
کارشناس مدیریت بازرگانی دانشگاه شیخ بهایی اصفهان
کارشناس ارشد مدیریت کشاورزی و مدرس دانشگاه پیام نور
چکیده
خشکسالی هیدرولوژیکی یک مسئله جدی برای اجتماعات انسانی و اکوسیستمی است که در نتیجه با تغییرات اقلیمی همراه خواهد بود. 90 درصد کشورایران را اقلیم خشک و نیمه خشک در برگرفته و نزدیک به 76 درصد آن با پدیده خشکسالی مواجه بوده است. در دهههای اخیر در بین حوادث طبیعی، پدیده خشکسالی از نظر درجه شدت، طول مدت، مجموع فضای تحت پوشش، خسارات اقتصادی و اثرات اجتماعی و زیست محیطی در جامعه بیشتر از سایر بلایای طبیعی بوده و پیامدهای حاصل از این پدیده ممکن است با تأخیر بیشتری نسبت به سایر حوادث طبیعی نمایان شود. پیش بینی خشکسالی نقش مهمی در طرح و مدیریت منابع طبیعی، سیستمهای منابع آب و... دارد. در عصر کنونی محدودیت منابع آبی جهت تأمین آب مورد نیاز بخشهای مختلف اقتصادی موجب بروز مشکلاتی عمدهای شده و باران به عنوان مهمترین منبع آبی موجود محسوب میشود. از جمله مهمترین مراحل پایش خشکسالی، پیش بینی و برآورد نزولات جوی برای هر منطقه و آبخیز به عنوان یکی از مهمترین پارامترهای اقلیمی در استفاده از منبع آبی محسوب میگردد. تا کنون تلاش بسیاری برای طراحی مدلهای پیش بینی صورت گرفته که از جمله آنها میتوان مدلهای آماریARMA و سایر مدلهای مبتنی بر رگرسیون را نام برد. در دهههای اخیر مدلهای شبکه های عصبی مصنوعی تواناییهای زیادی را در مدلسازی و پیش بینی توابع غیر خطی و غیر ایستا نشان داده و قادرند با پردازش دادههای تجربی، دانش یا قانون نهفته در بطن دادهها را فرا بگیرند . بدین جهت انتظار میرود شبکه های عصبی مصنوعی ابزاری مناسب برای یک مدل پیش بینی باشد. در مطالعه حاضر با به کارگیری اطلاعات بارندگی ایستگاه سینوپتیک شهرستان اهواز طی دوره آماری 35 ساله، نتایج حاصل از پیش بینی مدل خود رگرسیونی فصلی میانگین متحرک انباشتهSARMA)و مدل غیرخطی شبکه عصبی پرسپترون چند لایهMLP) و با الگوریتم آموزشی پس انتشار خطا برای سالهای 2006 تا 2010 با یکدیگر مقایسه و مدلی که داری کمترین معیارهای ارزیابی خطا و پایینترین سطحاختلاف آماری را با میزان واقعی بارندگی در طی دوره زمانی مذکور داشته، برای پیش بینی میزان بارندگی ماهانه و سیکل خشکسالی طی افق زمانی سالهای 2011 تا 2013 منطقه مطالعاتی انتخاب گردیدکلیدواژه ها
پیش بینی بارندگی، خشکسالیSARMAشبکه عصبی مصنوعی، شهرستان اهوازمقالات مرتبط جدید
- مقایسه روش های مدرن و سنتی آبیاری به منظور احیا و پایداری منابع آب
- تحلیل جامع تاثیر انواع امواج بر فرآیند شیرین سازی آب در نواحی ساحلی
- عوامل آلایندگی های تالاب میانکاله و مروری بر راهکارهای بهبود کیفیت آب
- کاربرد فناوری سنجش از دور در شناسایی اراضی ماندابی
- ارزیابی تحمل برخی ارقام بومی و اصلاح شده برنج در روش نوین خشکه کاری (نوار تیپ)
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.